论文部分内容阅读
支持向量机是近些年兴起的人工智能方法，并在信用风险分析领域得到了广泛应用。 为了有效地减小在实证研究中样本的奇异点和噪声对模型的干扰，我们在中心化支持向量机的基础上，引入模糊隶属度的思想，提出了模糊中心化支持向量机，使之不仅能保留中心化 支持向量机原有的优点，同时也可以减小奇异点和噪声对模型的干扰，从而进一步提高了分 类判别能力。同时我们注意到，当模糊隶属度的取值都为1 时，这一模型退化成为原来的中 心化支持向量机。最后我们对两个公开可得的信用数据集进行实证研究，通过与其它模型结 果的对比能够看到与其它模型相比，本文提出的这一模糊中心化支持向量机能够显著地提高 分类精度，具有较高的实用价值。